Los métodos de Aprendizaje Automático Automático (AML) son actualmente considerados de gran interés para su uso en el desarrollo de sistemas ciberfísicos. Sin embargo, en la práctica, presentan serios problemas de aplicación con respecto al cálculo de la idoneidad, el sobreajuste, la falta de escalabilidad y la necesidad de una enorme cantidad de tiempo para el cálculo de los hiperparámetros de la red neuronal. En este trabajo, hemos investigado experimentalmente el impacto de la actualización continua y validación de los hiperparámetros, en el rendimiento de un modelo ciberfísico, con cuatro estimadores basados en ANNs, todos con la técnica de optimización basada en descenso de gradiente. El objetivo principal es demostrar que los valores optimizados de los hiperparámetros pueden ser validados por simulación con MATLAB/Simulink siguiendo un enfoque mixto basado en la intercalación de las actualizaciones de sus valores con un entrenamiento clásico de las ANNs sin afectar su eficiencia y automatización del método propuesto. Para las dos variables relevantes de un Motor de Inducción (IM), se han entrenado dos conjuntos de estimadores a partir de los datos de corriente y voltaje de entrada. En contraste, los datos de entrenamiento para la velocidad y el par electromagnético de salida del IM se han establecido con la ayuda de un nuevo modelo Simulink desarrollado completamente. Los resultados han demostrado la efectividad de los estimadores de ANN obtenidos con la Caja de Herramientas de Aprendizaje Profundo (DLT) que utilizamos para transformar las ANNs entrenadas en bloques que pueden ser utilizados directamente en modelos ciberfísicos diseñados con Simulink.